論文の概要: Multi-Viewpoint and Multi-Evaluation with Felicitous Inductive Bias Boost Machine Abstract Reasoning Ability

• arxiv url: http://arxiv.org/abs/2210.14914v2
• Date: Wed, 29 Mar 2023 11:46:27 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-30 18:34:55.271922
• Title: Multi-Viewpoint and Multi-Evaluation with Felicitous Inductive Bias Boost Machine Abstract Reasoning Ability
• Title（参考訳）: 導出性バイアスブーストマシンの抽象推論能力を用いた多視点・多面評価
• Authors: Qinglai Wei, Diancheng Chen, Beiming Yuan
• Abstract要約: 帰納的バイアス,意図的設計,あるいはセレンディピティ的に一致したエンドツーエンドのニューラルネットワークは,RPM問題を解くことができることを示す。 我々の研究は、多面的評価を伴うマルチ視点が、推論を成功させるための重要な学習戦略であることも明らかにしている。 これらの結果は、認識を超えて、抽象的推論に向けたAIの能力の検査として役立ちたいと思っています。
• 参考スコア（独自算出の注目度）: 6.33280703577189
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Great endeavors have been made to study AI's ability in abstract reasoning, along with which different versions of RAVEN's progressive matrices (RPM) are proposed as benchmarks. Previous works give inkling that without sophisticated design or extra meta-data containing semantic information, neural networks may still be indecisive in making decisions regarding RPM problems, after relentless training. Evidenced by thorough experiments and ablation studies, we showcase that end-to-end neural networks embodied with felicitous inductive bias, intentionally design or serendipitously match, can solve RPM problems elegantly, without the augment of any extra meta-data or preferences of any specific backbone. Our work also reveals that multi-viewpoint with multi-evaluation is a key learning strategy for successful reasoning. Finally, potential explanations for the failure of connectionist models in generalization are provided. We hope that these results will serve as inspections of AI's ability beyond perception and toward abstract reasoning. Source code can be found in https://github.com/QinglaiWeiCASIA/RavenSolver.
• Abstract（参考訳）: RAVENのプログレッシブ行列(RPM)の異なるバージョンがベンチマークとして提案されている。 これまでの研究は、高度な設計や、セマンティック情報を含む追加のメタデータがなければ、ニューラルネットワークは、絶え間ないトレーニングの後、RPMの問題に関する決定を下すのに不決定である、とインクリングしている。 徹底的な実験とアブレーション研究により、特定のバックボーンの余分なメタデータや好みを増すことなく、フェリシタンな帰納的バイアス、意図的設計、セレンディピティーに適合するエンド・ツー・エンドのニューラルネットワークがRPM問題をエレガントに解決できることを示した。 我々の研究は、多面的評価を伴うマルチ視点が推論を成功させるための重要な学習戦略であることを明らかにしている。 最後に、一般化におけるコネクショニストモデルの失敗に対する潜在的な説明を提供する。 これらの結果は、認識を超えて、抽象的推論に向けたAIの能力の検査として役立ちたいと思っています。 ソースコードはhttps://github.com/QinglaiWeiCASIA/RavenSolverにある。

関連論文リスト

• Sparse Prototype Network for Explainable Pedestrian Behavior Prediction [60.80524827122901]
  Sparse Prototype Network (SPN) は,歩行者の将来の行動,軌道,ポーズを同時に予測するための説明可能な手法である。 モノセマンティリティとクラスタリングの制約によって規則化されたプロトタイプは、一貫性と人間の理解可能な機能を学ぶ。
  論文  参考訳（メタデータ） (2024-10-16T03:33:40Z)
• Probabilistic Abduction for Visual Abstract Reasoning via Learning Rules in Vector-symbolic Architectures [22.12114509953737]
  抽象推論は人間の知性の基礎であり、それを人工知能(AI)で複製することは、現在進行中の課題である。 本研究では,抽象的推論能力を評価する視覚的テストであるRaven's Progress matrices (RPM) を効率的に解くことに焦点を当てた。 RPMに関連するルール定式化をハードコーディングする代わりに、トレーニングデータに1回だけ通すだけでVSAルール定式化を学習することができる。
  論文  参考訳（メタデータ） (2024-01-29T10:17:18Z)
• Towards Generative Abstract Reasoning: Completing Raven's Progressive Matrix via Rule Abstraction and Selection [52.107043437362556]
  Raven's Progressive Matrix (RPM) は、マシンインテリジェンスにおける抽象的な視覚的推論を探索するために広く使われている。 RPMテストの参加者は、属性変更ルールを推論し、組み合わせることで、強力な推論能力を示すことができる。 本稿では,ルール AbstractIon と Selection を用いて,回答生成問題に対する潜時変数モデルを提案する。
  論文  参考訳（メタデータ） (2024-01-18T13:28:44Z)
• Deep Non-Monotonic Reasoning for Visual Abstract Reasoning Tasks [3.486683381782259]
  本稿では,視覚的抽象的推論課題を解決するための非単調な計算手法を提案する。 このアプローチを使ってディープラーニングモデルを実装し、RavenのProgressive MatricesテストにインスパイアされたデータセットであるRAVENデータセットでそれをテストしました。
  論文  参考訳（メタデータ） (2023-02-08T16:35:05Z)
• Denoised MDPs: Learning World Models Better Than the World Itself [94.74665254213588]
  本研究は,野生の情報を制御可能性と報酬との関係に基づく4つのタイプに分類し,制御性および報酬関連性の両方に有用な情報を定式化する。 DeepMind Control Suite と RoboDesk の変種に関する実験では、生の観測のみを用いた場合よりも、認知された世界モデルの優れた性能が示されている。
  論文  参考訳（メタデータ） (2022-06-30T17:59:49Z)
• Training Feedback Spiking Neural Networks by Implicit Differentiation on the Equilibrium State [66.2457134675891]
  スパイキングニューラルネットワーク(英: Spiking Neural Network、SNN)は、ニューロモルフィックハードウェア上でエネルギー効率の高い実装を可能にする脳にインスパイアされたモデルである。 既存のほとんどの手法は、人工ニューラルネットワークのバックプロパゲーションフレームワークとフィードフォワードアーキテクチャを模倣している。 本稿では,フォワード計算の正逆性に依存しない新しいトレーニング手法を提案する。
  論文  参考訳（メタデータ） (2021-09-29T07:46:54Z)
• DAReN: A Collaborative Approach Towards Reasoning And Disentangling [27.50150027974947]
  本稿では,2つのタスクを協調的に改善するために,帰納的バイアスの弱い形式を活用する,エンドツーエンドの共同表現推論学習フレームワークを提案する。 GM-RPMの原理に基づくDAReN(Disentangling based Abstract Reasoning Network)を用いてこれを実現した。
  論文  参考訳（メタデータ） (2021-09-27T16:10:30Z)
• Unsupervised Abstract Reasoning for Raven's Problem Matrices [9.278113063631643]
  Raven's Progressive Matrices (RPM) は人間の知能と非常に相関している。 本稿では,RPM問題の解法として,教師なし学習法を提案する。 我々の手法は教師付きアプローチよりも優れています。
  論文  参考訳（メタデータ） (2021-09-21T07:44:58Z)
• Abstract Spatial-Temporal Reasoning via Probabilistic Abduction and Execution [97.50813120600026]
  時空間推論は人工知能(AI)の課題である 最近の研究は、この種の抽象的推論タスクに焦点を当てている -- Raven's Progressive Matrices (RPM) ニューロシンボリックな確率的アブダクションと実行学習者(PrAE)を提案する。
  論文  参考訳（メタデータ） (2021-03-26T02:42:18Z)
• Raven's Progressive Matrices Completion with Latent Gaussian Process Priors [42.310737373877714]
  Raven's Progressive Matrices (RPM) はヒトIQテストで広く用いられている。 本稿では,複数のガウス過程を潜在変数の事前として用いる,深い潜在変数モデルを提案する。 連続的に変化する複数の視覚概念を持つRPM型データセット上で,提案モデルの評価を行った。
  論文  参考訳（メタデータ） (2021-03-22T17:48:44Z)
• Explainability in Deep Reinforcement Learning [68.8204255655161]
  説明可能な強化学習(XRL)の実現に向けての最近の成果を概観する。 エージェントの振る舞いを正当化し、説明することが不可欠である重要な状況において、RLモデルのより良い説明可能性と解釈性は、まだブラックボックスと見なされているものの内部動作に関する科学的洞察を得るのに役立つ。
  論文  参考訳（メタデータ） (2020-08-15T10:11:42Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。